「测评榜单」共找到 761 篇相关文章
SFT在帮倒忙？新研究：直接进行强化学习，模型多模态推理上限更高
学界常用「监督微调（SFT）+ 强化学习（RL）」训练大模型。但新研究发现，SFT 会引发「伪推理路径」，阻碍推理进步。相比之下，直接进行 RL 训练，模型多模态推理上限更高，该团队训练的模型还刷新了纪录。
老黄自曝刚报废50亿美元显卡！亲自审查4.2万名员工薪酬，100%都加薪
黄仁勋在采访中透露报废50亿美元显卡，坚持先下单先得分配H100芯片。他亲自审查员工薪酬，称100%会加薪。认为AI是伟大“技术均衡器”，天价AI合同合理，还谈及芯片保值、中美AI竞赛等话题。
HiDream-O1-World拿下WBench第一，交互世界模型的格局被改写｜甲子光年
近日，智象未来的HiDream - O1 - World模型以平均分80.9登顶WBench核心Navi分榜，物理一致性维度也排第一。它走出第三条路线，解决时空与物理一致性难题，技术获国际顶会认可，正改变全球竞争格局。
人形机器人绕不开的坎：续航问题怎么破？
人形机器人续航问题常被忽视，但它面临电池重量、行走能耗、脉冲负荷三个维度约束，标称续航在实际工况会打折，工程上可通过快速换电和提升单次充电电量应对，固态电池有潜力但有待验证。
社区供稿 | Jina Embeddings V4: 为搜索而生，多模态多语言向量模型
Jina AI发布多模态向量模型jina-embeddings-v4，参数38亿，能同步处理文本与图像。内置LoRA适配器强化检索等任务表现，在多基准测试中展现顶尖性能，支持单/多向量表示。介绍了架构、上手指南等。
StereoAdapter：北大首提自监督，适配水下双目深度估计
水下机器人深度感知难题待解，北大等机构提出StereoAdapter框架。它结合单双目视觉，以自监督学习适配视觉基础模型到水下域，设计双阶段结构、自监督训练策略等，实验效果好，未来还将多方面改进。
Google Design.md：一键复刻60+大厂设计规范 ｜ 设计界的事，能叫偷吗？
今天分享Google Stitch团队提出的DESIGN.md标准，单文件搞定网页设计。62个真实网站视觉语言对应的DESIGN.md可在https://getdesign.md/获取，它也是开源项目。放入项目根目录后，AI编程助手可读取生成风格一致的UI组件。
刚刚！Qwen3深夜升级，碾压Kimi K2和DeepSeek V3
通义千问更新旗舰版Qwen3模型，推出Qwen3 - 235B - A22B - Instruct - 2507 - FP8。新模型通用能力显著提升，在多测评中超Kimi - K2等模型，还增强多语言覆盖等性能，已在魔搭和Hugging Face开源。
高考数学全卷重赛！一道题难倒所有大模型，新选手Gemini夺冠，豆包DeepSeek并列第二
因网友质疑上次测评不严谨，此次用六款大模型挑战含解答题的全套高考数学题。结果Gemini 2.5 Pro夺冠，Doubao和DeepSeek R1并列第二。解答题是失分重灾区，图像题难倒多模态大模型。
剑桥揭开大模型翻车黑箱！别再怪它不懂推理，是行动出错了
剑桥大学等机构研究指出，大模型执行长时任务易翻车，问题不在推理而在执行能力。研究人员评估多个指标，发现单步准确率提升可让任务长度指数增长，还研究了自条件化等影响及模型规模的作用。